論文の概要: A Neural Active Inference Model of Perceptual-Motor Learning
- arxiv url: http://arxiv.org/abs/2211.10419v1
- Date: Wed, 16 Nov 2022 20:00:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 14:33:30.659113
- Title: A Neural Active Inference Model of Perceptual-Motor Learning
- Title（参考訳）: 知覚運動学習の神経活動的推論モデル
- Authors: Zhizhuo Yang, Gabriel J. Diaz, Brett R. Fajen, Reynold Bailey,
Alexander Ororbia
- Abstract要約: アクティブ推論フレームワーク(英: active inference framework、AIF)は、現代の神経科学を基盤とした、有望な新しい計算フレームワークである。
本研究では,ヒトの視覚行動指導において,AIFが期待する役割を捉える能力をテストする。
本稿では,多次元世界状態から自由エネルギーの一次元分布にマッピングする先行関数の新たな定式化について述べる。
- 参考スコア（独自算出の注目度）: 62.39667564455059
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The active inference framework (AIF) is a promising new computational
framework grounded in contemporary neuroscience that can produce human-like
behavior through reward-based learning. In this study, we test the ability for
the AIF to capture the role of anticipation in the visual guidance of action in
humans through the systematic investigation of a visual-motor task that has
been well-explored -- that of intercepting a target moving over a ground plane.
Previous research demonstrated that humans performing this task resorted to
anticipatory changes in speed intended to compensate for semi-predictable
changes in target speed later in the approach. To capture this behavior, our
proposed "neural" AIF agent uses artificial neural networks to select actions
on the basis of a very short term prediction of the information about the task
environment that these actions would reveal along with a long-term estimate of
the resulting cumulative expected free energy. Systematic variation revealed
that anticipatory behavior emerged only when required by limitations on the
agent's movement capabilities, and only when the agent was able to estimate
accumulated free energy over sufficiently long durations into the future. In
addition, we present a novel formulation of the prior function that maps a
multi-dimensional world-state to a uni-dimensional distribution of free-energy.
Together, these results demonstrate the use of AIF as a plausible model of
anticipatory visually guided behavior in humans.
- Abstract（参考訳）: アクティブ推論フレームワーク(active inference framework, aif)は、報酬ベースの学習を通じて人間のような行動を生み出す現代の神経科学を基盤とする、有望な新しい計算フレームワークである。
本研究では,人間における行動の視覚的誘導における期待の役割をaifがとらえる能力について,十分に検討された視覚運動課題を体系的に検討し,地上面上を移動する目標を迎撃する能力について検証する。
従来の研究では、このタスクを行う人間は、アプローチの後半で目標速度の半予測可能な変化を補うために、予想される速度の変化に頼っていた。
提案するAIFエージェントは、ニューラルネットワークを用いて、これらのアクションが示すタスク環境に関する情報の非常に短期的な予測と、得られた累積自由エネルギーの長期推定に基づいて行動を選択する。
システマティックな変動は、エージェントの運動能力の制限によって要求される場合にのみ予測行動が出現し、エージェントが十分な長期にわたって蓄積された自由エネルギーを推定できる場合にのみ出現することを示した。
さらに,多次元の世界状態から自由エネルギーの一次元分布に写像する事前関数の新規な定式化を提案する。
これらの結果は,ヒトにおける予測的視覚誘導行動のモデルとしてAIFが有用であることを示す。
関連論文リスト
- Free Energy Projective Simulation (FEPS): Active inference with interpretability [40.11095094521714]
FEP(Free Energy Projective Simulation)とAIF(Active Inference)は、多くの成功を収めている。
最近の研究は、最新の機械学習技術を取り入れた複雑な環境におけるエージェントの性能向上に重点を置いている。
ディープニューラルネットワークを使わずに解釈可能な方法でエージェントをモデル化するための自由エネルギー射影シミュレーション(FEPS)を導入する。
論文 参考訳（メタデータ） (2024-11-22T15:01:44Z) - From Recognition to Prediction: Leveraging Sequence Reasoning for Action Anticipation [30.161471749050833]
本稿では,ARR(Accence and Reasoning, 認識・推論)と呼ばれる注意機構を利用した新しいエンドツーエンドビデオモデリングアーキテクチャを提案する。
ARRは行動予測タスクを行動認識と推論タスクに分解し、次の行動予測(NAP)によって行動間の統計的関係を効果的に学習する。
さらに、広範囲なトレーニングデータを必要とする関係モデリングの課題に対処するために、デコーダの教師なし事前学習のための革新的なアプローチを提案する。
論文 参考訳（メタデータ） (2024-08-05T18:38:29Z) - Enhanced Spatiotemporal Prediction Using Physical-guided And Frequency-enhanced Recurrent Neural Networks [17.91230192726962]
本稿では,時空間力学を推定する物理誘導型ニューラルネットワークを提案する。
また、物理状態をより正確にモデル化するための物理制約付き適応二階ルンゲ・クッタ法を提案する。
我々のモデルは最先端の手法より優れ、より少ないパラメータ数でデータセットで最高の性能を発揮する。
論文 参考訳（メタデータ） (2024-05-23T12:39:49Z) - Neural Interaction Energy for Multi-Agent Trajectory Prediction [55.098754835213995]
ニューラル・インタラクション・エナジー(MATE)によるマルチエージェント軌道予測(Multi-Agent Trajectory Prediction)というフレームワークを導入する。
MATEは神経相互作用エネルギーを用いてエージェントの対話運動を評価する。
時間的安定性を高めるために,エージェント間相互作用制約とエージェント内動作制約という2つの制約を導入する。
論文 参考訳（メタデータ） (2024-04-25T12:47:47Z) - Learning Theory of Mind via Dynamic Traits Attribution [59.9781556714202]
本稿では,過去のトラジェクトリからアクターの潜在特性ベクトルを生成するニューラルToMアーキテクチャを提案する。
この特性ベクトルは、予測ニューラルネットワークの高速重み付けスキームを介して予測機構を乗法的に変調する。
実験により,高速重量はエージェントの特性をモデル化し,マインドリーディング能力を向上させるために優れた誘導バイアスを与えることが示された。
論文 参考訳（メタデータ） (2022-04-17T11:21:18Z) - A-ACT: Action Anticipation through Cycle Transformations [89.83027919085289]
未来を予測できる人間の能力が、機械学習アルゴリズムにどのように移行できるかを分析するために、一歩後退します。
人間の心理学に関する最近の研究は、発生を予測して、人間の脳が両方のシステムにカウントされていることを説明している。
本研究では,行動予測作業における各システムの影響について検討し,学習フレームワークに統合するためのパラダイムを導入する。
論文 参考訳（メタデータ） (2022-04-02T21:50:45Z) - Inference of Affordances and Active Motor Control in Simulated Agents [0.5161531917413706]
本稿では,出力確率,時間的予測,モジュール型人工ニューラルネットワークアーキテクチャを提案する。
我々のアーキテクチャは、割当マップと解釈できる潜在状態が発達していることを示す。
アクティブな推論と組み合わせることで、フレキシブルでゴール指向の動作が実行可能であることを示す。
論文 参考訳（メタデータ） (2022-02-23T14:13:04Z) - Investigating Pose Representations and Motion Contexts Modeling for 3D
Motion Prediction [63.62263239934777]
歴史的ポーズシーケンスから人間の動きを予測することは、機械が人間と知的な相互作用を成功させるために不可欠である。
本研究では,様々なポーズ表現に関する詳細な研究を行い,その動作予測課題に対する効果に着目した。
AHMR(Attentive Hierarchical Motion Recurrent Network)と呼ばれる新しいRNNアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-12-30T10:45:22Z) - Goal-Directed Planning by Reinforcement Learning and Active Inference [16.694117274961016]
ベイジアン推論を用いた新たな意思決定フレームワークを提案する。
ゴール指向の振る舞いは、計画によって$z$の後方分布から決定される。
本稿では,カメラ観測と連続運動動作を用いたセンサモレータナビゲーションタスクの実験により,提案手法の有効性を実証する。
論文 参考訳（メタデータ） (2021-06-18T06:41:01Z) - Adversarial Refinement Network for Human Motion Prediction [61.50462663314644]
リカレントニューラルネットワークとフィードフォワードディープネットワークという2つの一般的な手法は、粗い動きの傾向を予測することができる。
本稿では,新たな逆誤差増大を伴う簡易かつ効果的な粗大きめ機構に従えば,ARNet(Adversarial Refinement Network)を提案する。
論文 参考訳（メタデータ） (2020-11-23T05:42:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。